English
资源说明：利用小波分解网络流量的方法，提出了一种基于数据预处理的分布式拒绝服务DDoS攻击检测算法。通过对小尺度流量数据进行预处理，使得短相关的网络流量体现出长相关性并保持小尺度模型的时间敏感度，满足了Hurst指数刻画多分形模型的条件，解决了现有小尺度网络异常实时检测方法的缺陷，如Holder指数检测算法误报率高、VTP检测法检测率不足等问题。
DDoS（Distributed Denial of Service）攻击是网络领域的一大威胁，它通过大量恶意请求淹没目标服务器，导致正常用户无法访问服务。为了有效防御DDoS攻击，研究者们提出了一种基于数据预处理的DDoS攻击检测方法。该方法特别关注小尺度网络流量的分析，以提高实时检测的准确性。
在小尺度网络模型中，流量数据通常以毫秒为单位，这使得它们对短期变化非常敏感。然而，这种敏感性也带来了挑战，如Holder指数检测算法的误报率较高，以及VTP（Variance-Time Plots）检测法在检测率上的不足。为了解决这些问题，该研究采用了小波分解技术对网络流量进行预处理。通过这种方式，研究人员能够揭示原本短相关性较强的流量中的长相关性，同时保持时间敏感度，符合Hurst指数刻画多分形模型的条件。
Hurst指数是一种衡量数据自相似性的指标，适用于描述复杂系统的长期依赖性。在本研究中，经过预处理的流量数据增强了长相关性，使Hurst指数能更准确地识别出异常流量模式，即DDoS攻击。传统的Hurst指数检测方法需要较宽的时间尺度，不适合实时检测，而经过预处理，这种方法能够在保持实时性的同时，提高检测的准确性和完整性。
流量预处理步骤中，采用了滑动平均值来整合相邻时间节点的信息，以增强节点间的相关性，降低正常流量对小尺度模型统计特性的影响。这有助于减少误报，提高检测效率。实验部分，研究使用了真实的背景流量数据和模拟的DDoS攻击流量，结果显示，预处理方法在不同攻击强度和背景流量条件下都能提升检测效果，特别是在大流量背景下，检测率和完整性显著改善。
该研究提出的数据预处理方法通过优化小尺度网络流量的分析，有效提升了DDoS攻击的检测性能，减少了误报，并增强了检测的实时性。这对于构建更加可靠的网络安全防护系统具有重要意义。未来的研究可能进一步探索如何结合其他检测技术，如机器学习和深度学习，以提高检测的智能化水平和适应性。
本源码包内暂不包含可直接显示的源代码文件，请下载源码包。
